PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA ANT COLONY OPTIMIZATION DALAM OPTIMASI PENJADWALAN MATA KULIAH

PERBANDINGAN PERFORMANSI ALGORITMA
GENETIKA DAN ALGORITMA ANT COLONY
OPTIMIZATION DALAM OPTIMASI PENJADWALAN
MATA KULIAH
Skripsi
disusun sebagai salah satu syarat
untuk memperoleh gelar Sarjana Sains
Program Studi Teknik Informatika

oleh
Imam Ahmad Ashari
4611412015

JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI SEMARANG
2016
i

ii

iii

iv

MOTTO DAN PERSEMBAHAN

MOTTO
“Keajaiban itu nyata! Lahir saat kita berusaha dan bekerja keras”. (Penulis)
“Membahagiakan diri sendiri dan membahagiakan semua orang terdekat adalah
prinsip hidup yang utama”.(Penulis)
“Kita tidak hidup dilingkaran ruang yang kecil melainkan kita hidup dilingkaran
ruang yang sangat besar , jadi jangan berhenti disatu poros saja”. (Penulis)

PERSEMBAHAN
Skripsi ini ku persembahkan kepada:
1. Orang tua tercinta terimakasih atas doa,
dukungan dan kasih sayang yang tiada hentinya
engkau berikan.
2. Adik saya yang saya sayangi, Didik Olfaya dan

Nizar Zulmi.
3. Saudara saya yang saya selalu memotivasi dan
senantiasa menasehati serta memberikan saran
dan masukan.
4. Sahabat terdekat yang telah memberikan kesan
dalam penulisan skripsi ini.
5. Almamaterku UNNES.

v

PRAKATA

Puji syukur penulis panjatkan kehadirat Allah SWT yang telah
melimpahkan segala rakhmat dan hidayah-Nya dalam penyusunan skripsi,
sehingga penulis dapat menyelesaikan skripsi dengan judul “Perbandingan
Performansi Algoritma Genetika dan Algoritma Ant Colony Optimization
dalam Optimasi Penjadwalan Mata Kuliah”.
Skripsi ini dapat diselesaikan karena adanya kerjasama, bantuan dan
motivasi dari berbagai pihak. Ucapan terima kasih ini penulis tujukan kepada
yang terhormat:

1.

Prof. Dr. Fathur Rokhman, M.Hum., Rektor Universitas Negeri Semarang,
yang telah memberikan kesempatan kepada penulis untuk dapat berkuliah di
Jurusan Ilmu Komputer Program Studi Teknik Informatika FMIPA UNNES;

2.

Prof. Dr. Zaenuri, S.E., M.Si., Akt., Dekan Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Negeri Semarang yang telah memberikan izin
kepada penulis untuk menyusun skripsi;

3.

Endang Sugiharti, S.Si., M.Kom., Ketua Jurusan Ilmu Komputer yang telah
banyak memberi bimbingan kepada penulis;

4.

Riza Arifudin, S.Pd, M.Cs., selaku ketua penguji, yang telah memberikan ijin

kepada penulis untuk menyusun skripsi, serta memberikan banyak masukan,
kritik dan saran dalam penyelesaian skripsi ini;

vi

vii

ABSTRAK

Ashari, Imam Ahmad. 2016. Perbandingan Performansi Algoritma Genetika dan
Algoritma Ant Colony Optimization dalam Optimasi Penjadwalan Mata Kuliah.
Skripsi, Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Negeri Semarang. Pembimbing Utama Much Aziz Muslim,
S.Kom., M.Kom. dan Pembimbing Pendamping Alamsyah, S.Si., M.Kom.
Kata kunci: Penjadwalan Mata Kuliah, Algoritma Genetika, Algoritma Ant
Colony Optimization, Algoritma Metaheuristic, Performansi.
Masalah penjadwalan di universitas merupakan jenis masalah penjadwalan
yang rumit. Proses penjadwalan harus dilakukan di setiap pergantian semester, hal
tersebut menjadikan pekerjaan ini terasa melelahkan dan memakan banyak waktu.
Dalam masalah penjadwalan di universitas setiap batasan tidak boleh dilanggar

Algoritma metaheuristic merupakan algoritma yang cocok untuk
menyelesaikan permasalahan penjadwalan mata kuliah. Algoritma metaheuristic
merupakan algoritma yang memiliki banyak cara dalam menyelesaikan
permasalahan sampai ke batas solusi optimal. Pada penelitian ini akan dilakukan
perbandingan antara algoritma ant colony optimization dengan algoritma genetika
yang merupakan algoritma evolusi untuk menyelesaikan sebuah permasalahan
penjadwalan mata kuliah.
Tujuan dari penelitian ini adalah untuk mengetahui hasil perbandingan
performansi yang lebih baik antara algoritma genetika dan algoritma ant colony
optimization dalam menyelesaikan jadwal mata kuliah pada solusi terbaik
Hasil dari penelitian ini adalah algoritma genetika mempunyai performansi
lebih baik dibandingkan algoritma ant colony optimization dalam menyelesaikan
kasus penjadwalan mata kuliah. Algoritma genetika mendapatkan solusi terbaik
lebih cepat dan lebih sedikit memakan memori dibandingkan dengan algoritma
ant colony optimization saat melakukan proses komputasi.

viii

DAFTAR ISI

Halaman
HALAMAN JUDUL .......................................................................................... i
PERNYATAAN KEASLIAN ........................................................................... ii
PERSETUJUAN PEMBIMBING .................................................................... iii
PENGESAHAN ................................................................................................. iv
MOTTO DAN PERSEMBAHAN ...................................................................... v
KATA PENGANTAR ....................................................................................... vi
ABSTRAK ........................................................................................................ viii
DAFTAR ISI ..................................................................................................... ix
DAFTAR TABEL ............................................................................................. xiii
DAFTAR GAMBAR ........................................................................................ xiv
DAFTAR LAMPIRAN ...................................................................................... xv
BAB
I. PENDAHULUAN
1.1. Latar Belakang ..................................................................................... 1
1.2. Rumusan Masalah ............................................................................... 4
1.3. Batasan Masalah .................................................................................. 4
1.4. Tujuan Penelitian ................................................................................ 5
1.5. Manfaat Penlitian ................................................................................ 5
1.6. Sistematika Penulisan Skripsi .............................................................. 5

ix

BAB
II. TINJAUAN PUSTAKA
2.1

Algoritma Genetika .............................................................................. 7

2.2

Definisi Algoritma Genetika ................................................................ 7

2.3

2.4

2.2.1

Kelebihan dan Kekurangan Algoritma Genetika ..................... 8

2.2.2

Penerapan Algoritma Genetika ................................................ 9

Algoritma Ant Colony Optimization .................................................. 19
2.3.1

Definisi Algoritma Ant Colony Optimization ........................ 19

2.3.2

Kelebihan Algoritma Ant Colony Optimization ...................... 20

2.3.3

Penerapan Algoritma Ant Colony Optimization...................... 21

Penjadwalan ........................................................................................ 25
2.4.1

Gambaran Umum Penjadwalan Mata Kuliah
di Jurusan Ilmu Komputer....................................................... 26

2.5

Penelitian Terkait ................................................................................ 27

BAB
III. METODE PENEITIAN
3.1

3.2

Studi Pendahuluan .............................................................................. 32
3.1.1

Tempat dan Objek Penenlitian ................................................ 32

3.1.2

Variabel Penelitian .................................................................. 32

Tahap Pengumpulan Data ................................................................... 33
3.2.1

Wawancara .............................................................................. 33

3.2.2

Studi Dokumentasi .................................................................. 33

x

3.3

Tahap Pengembangan Sistem Uji Metode .......................................... 34
3.3.1

Analisis Kebutuhan (Analysis) ................................................ 35

3.3.1.1 Constraints dalam Penjadwalan Mata Kuliah ............. 35
3.3.1.2 Algoritma Genetika untuk Optimasi
Penjadwalan Mata Kuliah ........................................... 36
3.3.1.3 Algoritma Ant Colony Optimization untuk Optimasi
Penjadwalan Mata Kuliah ........................................... 41

3.3.2

Perancangan Aplikasi (Design) .............................................. 47
3.3.2.1 Flowchart ................................................................... 47
3.3.2.2 Data Flow Diagram (DFD) ....................................... 50
3.3.2.3 Entity Relationalship Diagram (ERD) ....................... 51

3.3.3

Pengkodean (Code) ................................................................ 53

3.3.4

Pengujian (Test) ..................................................................... 53

BAB
IV. HASIL DAN PEMBAHASAN
4.1

Hasil Penelitian .................................................................................. 55
4.1.1

Data Pengamatan .................................................................... 55

4.1.2

Implementasi Sistem .............................................................. 55
4.1.2.1 Implementasi Interface ............................................... 56

4.1.3

Pengujian Sistem .................................................................... 64
4.1.3.1 Rencana Pengujian Sistem .......................................... 65
4.1.3.2 Hasil Pengujian Sistem ............................................... 66
4.1.3.3 Kesimpulan Pengujian ................................................ 69

xi

4.2

Pembahasan ......................................................................................... 69
4.2.1

Hasil Pengujian Performansi Algoritma Genetika .................. 69

4.2.2

Hasil Pengujian Performansi Ant Colony Optimization.......... 71

4.2.3

Hasil Perbandingan Performansi Algoritma
Genetika dan Algoritma Ant Colony Optimization ................. 73

BAB
V. PENUTUP
5.1

Simpulan ............................................................................................. 76

5.2

Saran ................................................................................................... 76

DAFTAR PUSTAKA ....................................................................................... 78
LAMPIRAN .................................................................................................... 80

xii

DAFTAR TABEL

Tabel
Halaman
2.1

Jarak antar kota .......................................................................................

24

2.2

Visibilitas Antar Kota .............................................................................

24

2.3

Hasil Pada Siklus Pertama .....................................................................

25

2.4

Hasil Pada Siklus Kedua ........................................................................

25

4.1

Klasifikasi Rencana Pengujian Sistem ...................................................

65

4.2

Hasil Pengujian Sistem .. ........................................................................

66

4.3

Hasil Percobaan Algoritma Genetika .. ...................................................

70

4.4

Hasil Percobaan Algoritma Ant Colony Optimization .. .........................

72

4.5

Performansi Terbaik Algoritma Genetika dan
Algoritma Ant Colony Optimization .. ....................................................

xiii

74

DAFTAR GAMBAR

Gambar

Halaman

2.1

Representasi String Bit Kusumadewi (2003: 281) .................................

10

2.2

Representasi Pohon Kusuma (2003: 281) ..............................................

10

2.3

Tingkah Laku Semut a (Fernandez, 2011) .............................................

21

2.4

Tingkah Laku Semut b (Fernandez, 2011) ............................................

21

2.5

Tingkah Laku Semut c (Fernandez, 2011) .............................................

22

2.6

Tingkah Laku Semut d (Fernandez, 2011) ............................................

22

2.7

Ilustrasi Graf dengan 5 Kota ..................................................................

23

3.1

Waterfall Model (Pressman, 2002) ........................................................

34

3.2

Flowchart Algoritma Genetika dalam Optimasi
Penjadwalan Mata Kuliah ......................................................................

3.3

48

Flowchart Algoritma Ant Colony Optimization
dalam Optimasi Penjadwalan Mata Kuliah .............................................

49

3.4

DFD Level 0 Sistem Optimasi Penjadwalan Mata Kuliah ....................

50

3.5

DFD Level 1 Sistem Optimasi Penjadwalan Mata Kuliah ....................

51

3.6

Entitiy Relationship Diagram Sistem Pengujian Algoritma..... ..............

52

4.1

Tampilan Menu Home ...........................................................................

56

4.2

Tampilan Sub Menu Mata Kuliah ..........................................................

57

4.3

Tampilan Sub Menu Dosen.....................................................................

57

4.4

Tampilan Sub Menu Kelas......................................................................

58

4.5

Tampilan Sub Menu Data Kuliah ...........................................................

58

xiv

4.6

Tampilan Sub Menu Data Waktu ..........................................................

59

4.7

Tampilan Sub Menu Hari........................................................................

59

4.8

Tampilan Sub Menu Jam ........................................................................

60

4.9

Tampilan Menu Ruang ...........................................................................

60

4.10 Tampilan Input Sub Menu Genetika .......................................................

61

4.11 Tampilan Input Sub Menu Ant Colony Optimization .............................

62

4.12 Tampilan Jadwal Mata Kuliah Algoritma Genetika ...............................

63

4.13 Tampilan Jadwal Mata Kuliah Algoritma Ant Colony Optimization......

64

4.14 Grafik Waktu Algoritma Genetika .........................................................

70

4.15 Grafik Memori Algoritma Genetika ......................................................

71

4.16 Grafik Waktu Algoritma Ant Colony Optimization ................................

72

4.17 Grafik Memori Algoritma Ant Colony Optimization .............................

73

4.18 Grafik Perbandingan Waktu ..................................................................

74

4.19 Grafik Perbandingan Memori .................................................................

74

xv

DAFTAR LAMPIRAN

Lampiran
1.

Halaman

Data Jadwal Mata Kuliah Jurusan Ilmu Komputer Semester
Gasal Tahun Ajaran 2015/2016 ..............................................................

2.

81

Source Code Algoritma Genetika dalam Optimasi
Penjadwalan Mata Kuliah .......................................................................

82

3.

Hasil Performansi Terbaik Algoritma Genetika .....................................

89

4.

Proses Komputasi dari Performansi Terbaik Algoritma Genetika .........

90

5.

Hasil Jadwal Mata Kuliah dengan Algoritma Genetika..........................

94

6.

Source Code Algoritma Ant Colony Optimization
dalam Optimasi Penjadwalan Mata Kuliah .............................................

95

7.

Hasil Performansi Terbaik Algoritma Ant Colony Optimization ............

101

8.

Proses Komputasi dari Performansi Terbaik
Algoritma Ant Colony Optimization .......................................................

9.

103

Hasil Jadwal Mata Kuliah dengan Algoritma
Ant Colony Optimization.........................................................................

xvi

105

BAB I
PENDAHULUAN

1.1 Latar Belakang
Jadwal adalah serangkaian pertemuan pada waktu yang bersamaan.
Pertemuan disini adalah pertemuan yang memadukan berbagai sumber daya
seperti orang, ruangan dan lain-lain (Jain dkk., 2010: 248). Masalah penjadwalan
merupakan salah satu masalah optimasi kombinatorial yang umum terjadi di
kehidupan sehari-hari, masalah penjadwalan dalam sektor pendidikan bukanlah
hal yang baru. Secara umum, masalah penjadwalan dapat diklasifikasikan menjadi
beberapa jenis, seperti penjadwalan tingkat akademis Perguruan Tinggi,
penjadwalan Sekolah Dasar dan Menengah, penjadwalan ujian, penjadwalan
transportasi, penjadwalan penjualan atau pengiriman barang dan lain-lain
(Nugraha & Kosala, 2014: 789).
Masalah penjadwalan di universitas merupakan jenis masalah penjadwalan
yang rumit. Proses penjadwalan harus dilakukan di setiap pergantian semester, hal
tersebut menjadikan pekerjaan ini terasa melelahkan dan memakan banyak waktu.
Hal yang perlu diperhatikan dalam membuat jadwal disebuah universitas adalah
melakukan alokasi seluruh kegiatan di timeslots dan ruangan dengan
memperhatikan daftar batasan yang diberikan oleh universitas dalam satu
semester, sehingga tidak ada konflik yang terjadi dalam alokasi tersebut. Dalam

1

2

masalah penjadwalan di universitas setiap batasan tidak boleh dilanggar (Babaei,
2015: 2).
Alamsyah (2004) menjelaskan bahwa inti dari masalah penjadwalan mata
kuliah di universitas adalah karena banyaknya komponen yang perlu diperhatikan
dalam pembuatan jadwal, beberapa komponen itu terdiri dari mahasiswa, dosen,
waktu dan ruang dengan memperhatikan batasan dan syarat tertentu sehingga
tidak terjadi tumbukan dalam jadwal seperti tumbuk ruangan, tumbuk dosen
pengajar dan lain-lain.
Untuk menyelesaikan sebuah permasalahan penjadwalan teknik yang paling
tepat digunakan adalah teknik optimasi. Teknik optimasi dapat memberikan hasil
terbaik yang diinginkan. Teknik optimasi memerlukan strategi yang bagus dalam
mengambil keputusan agar diperoleh hasil yang optimum. Untuk itu, dibutuhkan
metode optimasi yang dapat diterapkan untuk menyusun jadwal perkuliahan
dengan beberapa batasan dan aturan yang ada.
Metode evolusi merupakan salah satu metode optimasi yang sering diteliti
beberapa tahun terakhi. Squillero (2015: 1) menjelaskan bahwa metode evolusi
adalah metode alam yang terinspirasi dari seleksi alam yang menyebabkan variasi
untuk dikumpulkan dalam satu arah tertentu yang memperlihatkan hasil yang baik
sehingga menyerupai proses optimasi yang disengaja. Memang proses tersebut
hanya melihat efek dari perubahan secara acak, tetapi dari hal itu peneliti
terinspirasi untuk membuat perhitungan evolusi di cabang ilmu komputer dari
kecerdasan komputasi yang berfokus pada algoritma acak yang mendasari dari

3

teori evolusi. Perhitungan evolusi tersebut termasuk ke dalam kerangka kerja
metaheuristic.
Beberapa tahun terakhir ini, ilmuwan telah banyak melakukan penelitian
tentang Algoritma Genetika (GA), untuk memecahkan masalah optimasi yang
melibatkan tujuan fungsi tunggal untuk memecahkan masalah multiobjective
(Singh dkk., 2012: 48). Selain Algoritma Genetika juga terdapat Algoritma
metaheuristic lainnya yang banyak digunakan penelitian dalam menyelesaikan
optimasi penjadwalan, seperti algoritma ant colony optimization, algoritma
quantum genetic, simulated annealing dan particle swarm optimization (Saragih
dkk., 2012: 78).
Salah

satu

algoritma

metaheuristic

yang

biasa

digunakan

untuk

menyelesaikan sebuah masalah optimasi adalah algoritma ant colony optimization
atau yang biasa disebut algoritma semut. Algoritma ant colony optimization
merupakan algoritma yang awalnya terinspirasi dari perilaku semut, dari
algoritma ant colony optimization banyak dikembangkan jenis algoritma lainnya
seperti: algoritma Ant System, algoritma Elitist ant System, algoritma Rank-Base
Ant System, algoritma Max-Mint Ant System (MMAS) dan algoritma Ant Colony
System (Tiwari & Vidyarthi, 2016: 78).
Pada penelitian ini akan dilakukan perbandingan antara algoritma ant colony
optimization dengan algoritma genetika yang merupakan algoritma evolusi untuk
menyelesaikan sebuah permasalahan penjadwalan mata kuliah, dari kedua
algoritma akan dibandingkan mana algoritma yang mempunyai performansi yang
lebih baik dalam menyelesaikan jadwal mata kuliah pada solusi terbaik.

4

Objek yang akan digunakan untuk membandingkan kedua algoritma ini
adalah jadwal mata kuliah di Jurusan Ilmu Komputer pada semester gasal tahun
ajaran 2015/2016.
Berdasarkan latar belakang permasalahan tersebut, maka penelitian ini
mengambil judul “Perbandingan Performansi Algoritma Genetika dan
Algoritma Ant Colony Optimization dalam Optimasi Penjadwalan Mata
Kuliah”.

1.2 Rumusan Masalah
Dari uraian latar belakang masalah di atas dapat dirumuskan permasalahan
yang ada yaitu bagaimana hasil perbandingan performansi komputasi yang lebih
baik antara algoritma genetika dan algoritma ant colony optimization dalam
menyelesaikan jadwal mata kuliah pada solusi terbaik?

1.3 Batasan Masalah
Adapun batasan dalam penelitian ini adalah sebagai berikut:
1) Algoritma yang dipakai dalam optimasi penjadwalan mata kuliah adalah
algoritma genetika dan algoritma ant colony optimization.
2) Parameter perbandingan performansi yang digunakan dalam penelitian
adalah waktu eksekusi dan memori yang digunakan dari kedua algoritma
saat melakukan optimasi penjadwalan mata kuliah pada solusi terbaik.
3) Objek yang digunakan sebagai data penelitian adalah data jadwal mata
kuliah di Jurusan Ilmu Komputer di Universitas Negeri Semarang pada
semester gasal tahun ajaran 2015/2016.
4) Data jadwal mata kuliah yang digunakan hanya data dari mata kuliah prodi.

5

5) Optimasi penjadwalan mata kuliah akan dirancang dengan bahasa
pemrograman PHP, Software Sublime 3.0 (Sebagai Text Editor), Database
Management System (DBMS) MySQL Xampp.

1.4 Tujuan Penelitian
Adapun tujuan dari penelitian dengan membandingkan performansi antara
algoritma genetika dan algoritma ant colony optimization adalah untuk
mengetahui algoritma mana yang mempunyai performansi komputasi lebih baik
dalam menyelesaikan masalah penjadwalan mata kuliah.

1.5 Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah untuk memberikan pengetahuan
tentang performansi komputasi algoritma mana yang lebih baik antara algoritma
genetika dan algoritma ant colony optimization dalam menyelesaikan masalah
penjadwalan mata kuliah.

1.6 Sistematika Skripsi
Sistematika penulisan untuk memudahkan dalam memahami alur pemikiran
secara keseluruhan skripsi. Penulisan skripsi ini secara garis besar dibagi menjadi
tiga bagian yaitu sebagai berikut:
1) Bagian Awal Skripsi
Bagian awal skripsi terdiri dari halaman judul, halaman pengesahan,
halaman pernyataan, halaman motto dan persembahan, abstrak, kata pengantar,
daftar isi, daftar gambar, daftar tabel dan daftar lampiran.

6

2) Bagian Isi Skripsi
Bagian isi skripsi terdiri dari lima bab yaitu sebagai berikut.
a. Bab 1: Pendahuluan
Bab ini terdiri atas latar belakang, rumusan masalah, batasan masalah, tujuan
dan manfaat penelitian serta sistematika skripsi.
b. Bab 2: Tinjauan Pustaka
Bab ini terdiri dari atas landasan teori, contoh kasus dan penelitian terkait.
c. Bab 3: Metode Penelitian
Bab ini terdiri atas Studi Pendahuluan, Tahap Pengumpulan Data, Tahap
Pengembangan Sistem Uji Metode dan Perancangan Aplikasi (Design).
d. Bab 4: Hasil dan Pembahasan
Bab ini terdiri atas hasil penelitian dan pembahasan penelitian.
e. Bab 5: Pentup
Bab ini terdiri atas simpulan dan saran
3) Bagian Akhir Skripsi
Bagian akhir skripsi berisi daftar pustaka yang merupakan informasi
mengenai buku-buku, sumber-sumber dan referensi yang digunakan penulis serta
lampiran-lampiran yang mendukung dalam penulisan skripsi ini.

BAB II
TINJAUAN PUSTAKA

2.1 Algoritma Genetika
2.1.1

Definisi Algoritma Genetika
Algoritma genetika ditemukan oleh John H. Holland dari university of

Michigan yang memulai penelitiannya pada tahun 1960. Dalam penelitian
Holland penerapan algoritma genetika dikaitkan dengan metode adaptif untuk
memecahkan masalah dan optimasi.
Algoritma genetika didasarkan pada proses kelangsungan makhluk hidup
pada setiap generasi dalam sebuah populasi secara alami. Proses seleksi tersebut
mencerminkan sebuah proses seleksi alam yang secara bertahap akan berjalan
mengikuti alam seperti siapa kuat dia yang akan bertahan. Dengan meniru proses
tersebut, algoritma genetika dapat digunakan untuk menyelesaikan permasalahanpermasalah dalam dunia nyata dengan menghasilkan solusi yang paling baik
(Beasly & Chu, 1994).
Algoritma genetika banyak digunakan untuk menyelesaikan berbagai
masalah optimasi. Algoritma genetika bukanlah algoritma yang proses
penyelesaiannya

berdasarkan

perhitungan

matematika

melainkan

proses

penyelesaiannya memanfaatkan analogi mekanisme seleksi alam dan mekanisme
kawin silang, mutasi, inversi, dan lain-lain yang terdapat pada proses genetika
alam.

7

8

Dalam algoritma genetika sebuah solusi dinyatakan sebagai kromosom.
Dalam algoritma genetika tahap awal kromosom dibangkitkan secara acak dalam
sebuah populasi. Dari setiap kromosom akan dievaluasi tingkat kefektifannya
dengan menghitung nilai fitness dari masing masing kromosom yang telah
dibangkitkan. Semakin tinggi nilai fitness kromosom tersebut maka peluang
terpilihnya kromosom tersebut akan semakin tinggi.
2.1.2

Kelebihan dan Kekurangan Algoritma Genetika
Algoritma genetika mempunyai beberapa kelebihan dan kekurangan

dibandingkan dengan algoritma lainnya, Berlianty & Arifin (2010: 119-120)
menjelaskan tentang kelebihan dan kekurangan algoritma genetika, yaitu sebagai
berikut:
Kelebihan algoritma genetika
1) Algoritma genetika bekerja dengan memanipulasi kode-kode set parameter,
bukan dengan hasil manipulasi nilai parameter itu sendiri.
2) Algoritma genetika bebas untuk mengkodekan masalah dengan berbagai cara
sehingga algoritma genetika tidak dibatasi dengan batasan dari metode
lainnya.
3) Algoritma genetika bekerja dengan populasi titik, bukan satu titik.
4) Algoritma genetika menggunakan informasi fungsi tujuan, bukan informasi
turunan dan lainnya.
5) Algoritma genetika menggunakan aturan perpindahan probabilistik, bukan
deterministik.

9

6) Algoritma genetika memerlukan iterasi yang berulang-ulang dan dalam
jumlah yang relatif banyak, sehingga algoritma ini perlu dibangun dalam
sebuah program aplikasi komputer untuk menyelesaikan masalah yang
dihadapi.
Kekurangan algoritma genetika
1) Algoritma genetika bekerja dengan bilangan acak pada kromosom awal,
sehingga memungkinkan kromosom terbaik tidak terlibat dalam proses.
2) Algoritma genetika menggunakan pembangkitan bilangan random dalam
setiap pemilihan kromosom baik untuk induk, proses persilangan maupun
mutasi.
3) Solusi yang dihasilkan belum tentu merupakan solusi yang optimal, karena
sangat dipengaruhi oleh bilangan acak yang dibangkitkan.
2.1.3

Penerapan Algoritma Genetika
Kusumadewi (2003: 279) menjelaskan bahwa algoritma genetika adalah

algoritma pencarian metaheuristic yang didasarkan atas mekanisme evolusi
biologis. Keberagaman pada evolusi biologis adalah variasi dari kromosom antar
individu organisme. Variasi kromosom ini akan mempengaruhi laju reproduksi
dan tingkat kemampuan organisme untuk tetap hidup. Pada dasarnya ada 4
kondisi yang sangat mempengaruhi proses evaluasi, yaitu kemampuan organisme
untuk melakukan reproduksi, keberadaan populasi organisme dalam suatu
populasi, keberagaman organisme dalam suatu populasi, perbedaan kemampuan
untuk survive.

10

Ada 6 komponen dalam algoritma genetika, yaitu:
1) Teknik Penyandian
Teknik Penyandian meliputi penyandian gen dari kromosom. Gen
merupakan bagian dari kromosom. Satu gen biasanya akan mewakili satu
variabel.
Gen dapat direpresentasikan dalam bentuk: string bit, pohon, array bilangan
real, daftar aturan, elemen permutasi, elemen program, atau representasi lainnya
yang dapat diimplementasikan untuk operator genetika. Gambar 2.1 menunjukan
representasi string bit dan Gambar 2.2 menunjukan representasi pohon.
0

1

1

0

0

0

1

1

Gen -1

Gen -2

Gen -3

Gen -1

Gen -2

Gen -3

Gambar 2.1 Representasi String Bit Kusumadewi (2003: 281)
(*(-(ab))(+(*(CD))(/(EF))))
*
-

A

+

B

*

*
C

D

E

F

Gambar 2.2 Representasi Pohon Kusumadewi (2003: 281)

11

Demikian juga, kromosom dapat direpresentasikan dengan menggunakan:
a. String bit

: 10011, 01101, 11101, dst.

b. Bilangan real

: 65.65, -67.98, 562.88, dst.

c. Elemen permutasi

: E2, E10, E5, dst.

d. Daftar aturan

: R1, R2, R3, dst.

e. Elemen program

: Pemrograman Genetika

f. Struktur lainnya.
2) Prosedur Inisialisasi
Ukuran populasi tergantung pada masalah yang akan dipecahkan dan jenis
operator genetika yang akan diimplementasikan. Setelah ukuran populasi
ditentukan, kemudian harus dilakukan inisialisasi terhadap kromosom yang
terdapat pada populasi tersebut. Inisialisasi kromosom dilakukan secara acak,
namun demikian harus tetap memperhatikan domain solusi dan kendala
permasalahan yang ada.
3) Fungsi Evaluasi
Ada 2 hal yang harus dilakukan dalam melakukan evaluasi kromosom, yaitu
evaluasi fungsi objektif (fungsi tujuan) dan konversi fungsi objektif ke dalam
fungsi fitness. Secara umum, fungsi fitness diturunkan dari fungsi objektif dengan
nilai yang tidak negatif. Apabila ternyata fungsi objektif memiliki nilai negatif,
maka perlu ditambahkan suatu konstanta C agar nilai fitness yang terbentuk
menjadi tidak negatif.

12

4) Seleksi
Seleksi ini bertujuan untuk memberikan kesempatan reproduksi yang lebih
besar bagi anggota populasi yang paling fit. Ada beberapa metode seleksi dari
induk, antara lain rank-based fitness assignment, roulette wheel selection,
stochastic universal sampling, local selection, truncation selection, tournament
selection.
5) Operator Genetika
Ada 2 operator genetika, yaitu:
1)

Operator untuk melakukan rekombinasi, yang terdiri dari Rekombinasi
bernilai real yaitu Rekombinasi diskret, Rekombinasi intermediate
(menengah), Rekombinasi garis dan Rekombinasi garis yang diperluas.
Rekombinasi bernilai biner (crossover) yaitu Crossover satu titik,
Crossover banyak titik Crossover seragam dan Crossover dengan
permutasi.

2)

Mutasi yang terdiri dari Mutasi bernilai real Dan Mutasi bernilai biner.

6) Penentuan Parameter
Yang disebut dengan parameter di sini adalah parameter kontrol algoritma
genetika, yaitu ukuran populasi (popsize), peluang crossover (pc), dan peluang
mutasi (pm). Nilai parameter ini tentukan juga berdasarkan permasalahan yang
akan dipecahkan. Ada beberapa rekomendasi yang bisa digunakan, antara lain:
a) Untuk permasalahan yang memiliki kawasan solusi cukup besar, De Jong
merekomendasikan untuk nilai parameter kontrol:

13

(popsize; pc; pm) = (50; 0,6; 0,001).
b) Bila rata-rata fitness setiap generasi digunakan sebagai indikator =, maka
usulannya adalah:
(popsize; pc; pm) = (80; 0,45; 0.01).
c) Ukuran populasi sebaiknya tidak lebih kecil dari 30, untuk sembarang
jenis permasalahan.
Jain (2010: 249) menjelaskan tahapan untuk menyelesaikan sebuah
penjadwalan mata kuliah dengan algoritma genetika adalah sebagai berikut.
1) Representasi Kromosom
Kromosom yang akan digunakan untuk mewakili solusi jadwal adalah
dengan array dua dimensi setiap elemen dari array mewakili 3 tuple .
Dimana c= representasi kelas, s= mata kuliah yang diambil, r= ruang, n= jumlah
periode dalam 1 minggu, k= jumlah dosen.
Batasan solusi penjadwalan mata kuliah yang perlu diperhatikan adalah: (a)
Masing-masing dosen tidak dapat ditugaskan lebih dari satu mata kuliah dalam
satu periode karena dalam setiap sel array tidak boleh lebih dari satu unsur; (b)
Kelas, mata kuliah dan ruang tidak boleh dipakai dalam satu periode yang sama.
2) Evaluasi
Evaluasi dilakukan dengan menghitung nilai fitness, nilai fitness dihitung
dari banyaknya pelanggaran kendala yang terjadi setelah proses penyelesaian
penjadwalan, dimana untuk menghitung nilai fitness digunakan rumus sebagai
berikut.
Nilai Fitness = ∑

,

14

Dimana

adalah nilai untuk sebuah pelanggaran.

Metode seleksi algoritma genetika yang digunakan untuk menghasilkan
penjadwalan mata kuliah adalah metode roulette wheel method. Rumus yang
digunakan adalah sebagai berikut.
∑

Melalui seleksi kita dapat memilih jadwal yang terbaik dari jadwal yang
tersedia. Fungsi fitness ini digunakan sebagai ukuran untuk pemilihan kromosom
(jadwal).
3) Crossover
Operator crossover digunakan untuk menggabungkan dua string untuk
mendapatkan string yang lebih baik. Crossover yang digunakan adalah One site
crossover. Melalui crossover diharapkan akan didapatkan jadwal yang optimal
dan efektif.
4) Mutasi
Mutasi menambahkan informasi baru dengan cara acak ke proses pencarian
genetik dan akhirnya membantu untuk menghindari terjebak di optimal lokal.
Operator ini memperkenalkan keragaman dalam populasi setiap kali populasi
cenderung menjadi homogen karena penggunaan reproduksi operator crossover
secara berulang.
Contoh kasus
Terdapat sebuah persamaan a + 2b + 3c = 30, cari nilai a, b dan c yang memenuhi
persamaan diatas dengan algoritma genetika.

15

Penyelesaian:
1) Pembentukan Kromosom
Misal: Batasan nilai variabel a = integer 0 s/d 30.
Sedangkan batasan nilai variabel b dan c adalah bilangan integer 0 s/d 10.
2) Inisialisasi
Misalkan kita tentukan jumlah populasi adalah 3, maka:
Kromosom[1] = [a;b;c] = [12;05;08]
Kromosom[2] = [a;b;c] = [02;06;07]
Kromosom[3] = [a;b;c] = [10;09;03]
3) Evaluasi Kromosom
hitung fungsi_objektif dari kromosom yang telah dibangkitkan:
fungsi_objektif (Kromosom[1]) = Abs(( 12 + 2*5 + 3*8) – 30)
= Abs((12 + 10 + 24) – 30) = Abs(48 – 30) = 18
fungsi_objektif (Kromosom[2]) = Abs(( 2 + 2*6 + 3*7) – 30)
= Abs(( 2 + 12 + 21) – 30) = Abs(35 – 30) = 5
fungsi_objektif (Kromosom [3]) = Abs(( 10 + 2*9 + 3*3) – 30)
= Abs(( 10 + 18 + 9) – 30) = Abs(37 – 30) = 7
Rata-rata dari fungsi objektif adalah: (18+5+7)/3 = 10
4) Seleksi Kromosom
fitness[1] = 1 / (fungsi_objektif[1]+1) = 1 / 19 = 0.0526
fitness[2] = 1 / (fungsi_objektif[2]+1) = 1 / 6 = 0.1666
fitness[3] = 1 / (fungsi_objektif[3]+1) = 1 / 8 = 0.125

16

total_fitness = 0.0526 + 0.1666 + 0.125 = 0.4166
Rumus untuk mencari probabilitas: P[i] = fitness[i] / total_fitness
P[1] = 0.0526 / 0.4166 = 0.1262
P[2] = 0.1666 / 0.4166 = 0.3999
P[3] = 0.125 / 0.4166 = 0.3000
Untuk proses seleksi akan digunakan roulette wheel, untuk itu harus dicari dahulu
nilai kumulatif probabilitasnya.
C[1] = 0.1262
C[2] = 0.1262 + 0.3999 = 0.5261
C[3] = 0.1262 + 0.3999 + 0.3000 = 0.8261
Kita putar roulette wheel sebanyak jumlah populasi yaitu 3 kali (bangkitkan
bilangan acak R) dan pada tiap putaran, kita pilih satu kromosom untuk populasi
baru. Misal:
R[1] = 0.201
R[2] = 0.284
R[3] = 0.009
Angka acak pertama R[1] adalah lebih besar dari C[1] dan lebih kecil daripada
C[2] maka pilih Kromosom[2] sebagai kromosom pada populasi baru, dari
bilangan acak yang telah dibangkitkan diatas maka populasi kromosom baru hasil
proses seleksi adalah:
Kromosom[1] = Kromosom[2]
Kromosom[2] = Kromosom[2]
Kromosom[3] = Kromosom[1]

17

Kromosom baru hasil proses seleksi:
Kromosom[1] = [12;05;08]
Kromosom[2] = [02;06;07]
Kromosom[3] = [12;05;08]
5) Crossover
Misal kita tentukan crossover probability adalah sebesar 25%, maka diharapkan
dalam satu generasi ada 50% kromosom (3 kromosom ) dari satu generasi
mengalami proses crossover. Prosesnya adalah sebagai berikut.
Pertama kita bangkitkan bilangan acak R sebanyak jumlah populasi
R[1] = 0.191, R[2] = 0.259, R[3] = 0.760
Maka kromosom ke k akan dipilih sebagai induk jika R[k] < ρc, dari bilangan
acak R diatas maka yang dijadikan induk adalah Kromosom[1] dan Kromosom[2].
Misalkan didapatkan posisi crossover adalah 1 maka kromosom induk akan
dipotong mulai gen ke 1 kemudian potongan gen tersebut saling ditukarkan antar
induk.
Kromosom[1] >< Kromosom[2]
Kromosom[2] >< Kromosom[1]
Posisi cut-point crossover dipilih menggunakan bilangan acak 1-2 sebanyak
jumlah crossover yang terjadi, misal
C[1] = 1
C[2] = 2
offspring[1] = Kromosom[1] >< Kromosom[2]

18

= [12;05;08] >< [02;06;07] = [12;05;08]
offspring[2] = Kromosom[2] >< Kromosom[1]
= [02;06;07] >< [12;05;08] = [12;05;08]
Dengan demikian populasi kromosom setelah mengalami proses crossover
menjadi:
Kromosom[1] = [12;05;08]
Kromosom[2] = [12;05;08]
Kromosom[3] = [10;09;03]
6) Mutasi
Misalkan bilangan acak yang terbangkitkan adalah 1 dan 3. Maka populasi
kromosom setelah mengalami proses mutasi adalah:
Kromosom[1] = [08;05;12]
Kromosom[2] = [08;05;12]
Kromosom[3] = [03;09;10]
Setelah proses mutasi maka kita telah menyelesaikan satu iterasi dalam algoritma
genetika atau disebut dengan satu generasi. Maka fungsi_objective setelah satu
generasi adalah:
Kromosom[1] = [08;05;12]
fungsi_objektif[1] = Abs(( 8 + 2*5 + 3*12) – 30)
= Abs(( 8 + 10 + 36 ) – 30) = Abs( 54 – 30) = 14
Kromosom[2] = [08;05;12]
fungsi_objektif[1] = Abs(( 8 + 2*5 + 3*12) – 30)
= Abs(( 8 + 10 + 36 ) – 30) = Abs( 54 – 30) = 14

19

Kromosom[3] = [03;09;10]
fungsi_objektif[1] = Abs(( 3 + 2*9 + 3*10) – 30)
= Abs(( 3 + 18 + 30 ) – 30) = Abs( 51 – 30) = 21
Rata-rata fungsi objektif setelah satu generasi adalah:
rata-rata = (14 + 14 + 21) / 3 = 39 / 3 = 13
Maka pada generasi selanjutnya kromosom – kromosom yang baru adalah:
Kromosom[1] = [08;05;12]
Kromosom[2] = [08;05;12]
Kromosom[3] = [03;09;10]
Kromosom–kromosom ini akan mengalami proses yang sama seperti generasi
sebelumnya yaitu proses evaluasi, seleksi, crossover dan mutasi yang kemudian
akan menghasilkan kromosom kromosom untuk generasi yang selanjutnya. Proses
ini akan berulang sampai sejumlah generasi yang telah ditetapkan sebelumnya.

2.2 Algoritma Ant Colony Optimization
2.2.1

Definisi Algoritma Ant Colony Optimization
Algoritma ant colony optimization (ACO) merupakan sebuah algoritma

metaheuristic. Algoritma metaheuristic merupakan algoritma yang mempunyai
kemampuan untuk menangani masalah kompleks non-linear, dapat menangani
masalah variabel diskrit, dan dapat menangani sebuah masalah optimasi multitujuan (Reddy & Bijw, 2016:288).
Dorigo (2001: 12) mendefinisikan bahwa algoritma ant colony optimization
(ACO) atau algoritma semut adalah algoritma yang awalnya terinspirasi dari
perilaku semut, banyak dikembangkan bahwa spesies semut sangat peka terhadap

20

suara, dan kebanyakan dari spesies mereka benar-benar buta, kebanyakan spesies
semut hanya berkomunikasi antara individu dan individu, atau antara individu dan
lingkungannya, spesies semut dapat menghasilkan sebuah cairan kimia yang
disebut pheromone, dimana dengan cairan pheromone semut dapat meninggalkan
jejak agar jejak tersebut dapat diikuti oleh semut lainnya seperti saat proses
pencarian makanan oleh semut.
Pada ant colony optimization, sebuah koloni semut buatan bekerjasama
untuk menemukan solusi terbaik terhadap sebuah permasalahan optimasi. Semut
buatan mempunyai dua sifat (1) mencontoh dari sifat semut yang sesungguhnya
yakni menemukan jalan tersingkat oleh koloni semut sungguhan, (2) memperkaya
sebuah kemampuan yang tidak terdapat pada semut sungguhan (Dorigo dkk.,
2006).
2.2.2

Kelebihan Algoritma Ant Colony Optimization
Algoritma ant colony optimization mempunyai kelebihan yang tidak dimiliki

dari algoritma optimasi lainnya, yaitu:
1) Algoritma semut menggunakan metode umpan balik yang baik sehingga dapat
mencapai solusi yang terbaik.
2) Algoritma semut mempunyai sistem kerjasama yang baik. Ditunjukan dengan
tingkat keefektifan sebuah pencarian yang melibatkan kerjasama antara koloni
semut dalam penyelesaian pada solusi terbaik.
3) Penggunaan struktur yang lebih luas dalam algoritma semut membantu dalam
menemukan solusi yang dapat diterima pada tahap proses penelitian.

21

4) Penggunaan algoritma ini dapat diaplikasikan pada versi yang sama untuk
masalah kombinasi optimasi yang berbeda.
5) Algoritma dapat diaplikasikan dalam menyelesaikan masalah kombinasi
optimalisasi yang lain, seperti QAP (Quadratic Assingment Problem) dan JSP
(Job Shop Scheduling Problem) dengan perubahan yang tidak terlalu banyak.
2.2.3

Penerapan Algoritma Ant Colony Optimization
Fernandez (2011: 2) mendefinisikan cara kerja algoritma ant colony

optimization adalah sebagai berikut:
1) Pada awalnya, semut berkeliling secara acak.
2) Ketika semut-semut menemukan jalur yang berbeda misalnya sampai pada
persimpangan, mereka akan mulai menentukan arah jalan secara acak seperti
pada Gambar 2.3 tingkah laku semut a.

Gambar 2.3 Tingkah Laku Semut a (Fernandez, 2011: 2)
3) Sebagian semut memilih berjalan ke atas dan sebagian lagi akan memilih
berjalan ke bawah seperti pada Gambar 2.4 tingkah laku semut b.

Gambar 2.4 Tingkah Laku Semut b (Fernandez, 2011: 2)

22

4) Ketika menemukan makanan mereka kembali ke koloninya sambil
memberikan tanda dengan jejak pheromone.
5) Karena jalur yang ditempuh lewat jalur bawah lebih pendek, maka semut yang
bawah akan tiba lebih dulu dengan asumsi kecepatan semua semut adalah
sama seperti pada Gambar 2.5 tingkah laku semut c.

Gambar 2.5 Tingkah Laku Semut c (Fernandez, 2011: 2)
6) Pheromone yang ditinggalkan oleh semut di jalur yang lebih pendek aromanya
akan lebih kuat dibandingkan pheromone di jalur yang lebih panjang seperti
pada Gambar 2.6 tingkah laku semut d.

Gambar 2.6 Tingkah Laku Semut d (Fernandez, 2011: 2)
7) Semut-semut lain akan lebih tertarik mengikuti jalur bawah karena aroma
pheromone lebih kuat.
Berlianty & Arifin (2010: 78) mendefinisikan algoritma semut terperinci
sebagai berikut:
1) Inisialisasi parameter-parameter algoritma, seperti
(jumlah siklus maksimum),

(jumlah semut),

(tetapan siklus semut),

max

(tetapan pengendali

23

intensitas jejak semut),
penguapan jejak semut), dan

(tetapan pengendali visibilitas),

(tetapan

(intensitas jejak semut).

2) Inisialisasi node pertama setiap semut.
3) Mengisi panjang node pertama ke dalam tabu list.
4) Menyusun rute kunjungan setiap semut ke setiap node.
5) Menghitung panjang rute setiap semut.
6) Mencari solusi terbaik.
7) Menghitung perubahan harga intensitas jejak kaki semut antara node.
8) Menghitung harga intensitas jejak kaki semut antara node untuk siklus
berikutnya.
9) Reset harga perubahan intensitas jejak kaki semut anatar node.
10) Mengosongkan tabu list.
11) Mengulangi langkah 2 jika diperlukan.
Contoh kasus
Jika diketahui suatu graf di bawah yang ingin diketahui jalur terpendek dari kota
A ke kota E, Perhatikan Gambar 2.6 ilustrasi graf dengan 5 kota.

A
E

B

C

D

Gambar 2.7 Ilustrasi Graf dengan 5 Kota

24

Dengan jarak antar kota (1/

) dapat dilihat pada Tabel 2.1.
Tabel 2.1 Jarak Antar Kota
A
0
5
7
3
0

A
B
C
D
E

B
5
0
4
0
0

C
7
4
0
0
5

D
3
0
0
0
4

E
0
0
5
4
0

Parameter–parameter yang digunakan adalah:
= 1.00,

= 1.00,

= 0.50,

(awal) = 0.01, Maksimum siklus (

) = 2,

Tetapan siklus semut ( ) = 1, Banyak semut ( ) = 4. Dari jarak kota yang telah
diketahui dapat dihitung visibilitas antar kota (

) = 1/

. Visibilitas antar kota

dapat dilihat pada Tabel 2.2.
Tabel 2.2 Visibilitas Antar Kota

A
B
C
D
E

A
0
0.2
0.1
0.3
0

B
0.2
0
0.25
0
0

C
0.143
0.25
0
0
0.2

D
0.33
0
0
0
0.25

E
0
0
0.2
0.25
0

Siklus ke-1:
Hasil panjang jalur semut pada siklus pertama dapat dilihat pada Tabel 2.3.
Tabel 2.3 Hasil Pada Siklus Pertama
Semut ke1
2
3
4

Rute
A
A
A
A

C
C
B
D

B
E
C
E

E
E
-

Panjang rute
11
12
14
7

25

Siklus ke-2:
Hasil panjang jalur semut pada siklus kedua dapat dilihat pada Tabel 2.4.
Tabel 2.4 Hasil Pada Siklus Kedua
Semut ke1
2
3
4

Rute
A
A
A
A

B
B
B
D

C
C
C
E

E
E
E
-

Panjang rute
14
14
14
7

Dari dua siklus diatas, diketahui lintasan terpendek diperoleh oleh semut ke-4
dengan jalur A-D-E dengan panjang lintasan 7.

2.3 Penjadwalan
Penjadwalan adalah sebuah pertemuan antara sumber daya dan ruang pada
alokasi waktu yang tepat untuk mencapai kelancaran pada tugas sebuah organisasi
(Heizer & Render, 1996: 3).
Dalam kehidupan sehari hari penjadwalan banyak digunakan untuk
menyelesaikan permasalahan dalam sebuah organisasi seperti penjadwalan di
perusahaan industri, penjadwalan di lembaga pendidikan, penjadwalan perhotelan,
penjadwalan keberangkatan kereta api, dan sebagainya.
Salah satu penjadwalan yang mempunyai permasalahan yang rumit adalah
penjadwalan di tingkat lembaga pendidikan yaitu penjadwalan mata kuliah.
Penjadwalan mata kuliah merupakan masalah umum di tingkat universitas di
setiap pergantian semester baru.
Lewis

(2008:

169)

mendefinisikan

bahwa

terdapat

dua

kategori

permasalahan penjadwalan di universitas yaitu masalah penjadwalan ujian dan

26

masalah penjadwalan mata kuliah. Kedua jenis masalah tersebut memiliki
karakteristik yang hampir sama, perbedaan utamanya adalah dalam penjadwalan
ujian, ujian dapat dijadwalkan di ruang yang sama dan pada waktu yang sama
(kendalanya adalah tidak melebihi kapasitas duduk), sementara pada penjadwalan
mata kuliah, umumnya hanya diperbolehkan setiap perkuliahan per ruang dan per
timeslot.
2.3.1

Gambaran Umum Penjadwalan Mata Kuliah di Jurusan Ilmu

Komputer
Penjadwalan mata kuliah di jurusan ilmu komputer mengikuti aturan yang
ditetapkan oleh universitas, dimana ada suatu perkuliahan diampu oleh satu dosen
pengampu dan ada perkuliahan lain yang diampu oleh dua dosen pengampu.
Perkuliahan aktif dilakukan selama lima hari dalam satu minggu yaitu pada hari
senin sampai jumat. Lama perkuliahan ditentukan oleh sks, satu sks sama dengan
50 menit. Pembuatan jadwal perkuliahan dilakukan setelah pengisian KRS atau
setelah mahasiswa selesai melakukan pemesanan mata kuliah. Dalam satu
angkatan umumnya dibagi menjadi beberapa kelas dalam melakukan perkuliahan
pada mata kuliah tertentu, pembagian kelas tersebut tergantung dari kebijakan
jurusan. Setiap perkuliahan umumnya dilaksanakan 15 kali pertemuan aktif dan 1
kali digunakan untuk ujian pada satu semester.

27

2.4 Penelitian Terkait
Penelitian yang terkait digunakan untuk referensi agar dikembangkan oleh
peneliti selanjutnya. referensi terkait mempunyai keterkaitan metode dan objek
penelitian terhadap penelitian yang akan dilakukan. Berikut beberapa penelitian
yang terkait dengan penelitian yang akan dibuat:
1) Mahiba & Durai (2012: 253) dalam jurnalnya yang berjudul “Genetic
Algorithm with Search Bank Strategis for University Course Timetabling
Problem”. Menjelaskan tentang usulan sebuah metode baru algoritma genetika
dengan perpaduan Search Bank Strategi local, guided dan tabu search. Local
Search digunakan untuk meningkatkan keturunan atau solusi. Guided Search
digunakan untuk mempersempit solusi dengan menggunakan Events Struktur
Data. Tabu search digunakan untuk menghapus solusi yang digunakan.
Metode baru yang diusulkan memberikan hasil yang menjanjikan untuk UCTP
(University Course Timetabling Problem).
2) Arifudin (2012: 1) dalam jurnalnya yang berjudul “Optimasi Penjadwalan
Proyek dengan Penyeimbangan Biaya Menggunakan Kombinasi CPM dan
Algoritma Genetika”. Melakukan penelitian dengan mengkombinasikan CPM
dengan algoritma genetika untuk melakukan penjadwalan sebuah proyek.
Alokasi kegiatan ditentukan berdasarkan waktu mulai paling awal dan waktu
mulai terakhir dengan memperhitungkan biaya dalam sumber daya setiap
periode proyek. Penjadwalan proyek dan kriteria optimal digunakan untuk
meminimalkan biaya penyimpangan dari rata-rata total biaya proyek. Hasil
yang diperoleh dalam penelitian ini dengan kombinasi CPM dan algoritma

28

genetika dapat menghasilkan jadwal proyek lebih cepat dan biaya proyek per
hari juga lebih hemat. Metode penjadwalan ini dapat menjadi alternatif
keputusan untuk kontraktor dalam pelaksanaan proyek.
3) Susiloputro (2012: 1) dalam jurnalnya yang berjudul “Penerapan Pewarnaan
Graf Pada Penjadwalan Ujian Menggunakan Algoritma Welsh Powell”.
Menjelaskan tentang pembuatan jadwal ujian akhir dengan menggunakan
algoritma Welsh Powell yang telah dimodifikasi penyusunan jadwal diawali
dengan membuat model graf konflik penjadwalan menggunakan data peserta
kuliah. Kemudian dilakukan pewarnaan pada graf konflik penjadwalan
menggunakan algoritma Welsh Powell yang telah dimodifikasi. Setelah
diperoleh hasil pewarnaan maka dapat disusun jadwal ujian akhir semester
berdasarkan hasil pewarnaan. Mata kuliah dengan warna sama dapat
dijadwalkan pada waktu yang bersamaan dan sebaliknya.
4) Badoni dkk., (2014: 12) dalam jurnalnya yang berjudul “A New Hybrid
Algorithm for University Course Timetabling Problem using Events Based on
Groupings of Students”. Menjelaskan tentang algoritma hybrid baru (NHA)
menggabungkan algoritma genetika dengan local search dan menggunakan
aktivitas berdasarkan pengelompokan siswa untuk memecahkan masalah
penjadwalan di universitas. Sebuah daftar aktivitas seperti perkuliahan,
pemberian tutorial, penggunaan laboratorium dan seminar yang dilakukan dan
kelompok siswa yang saling beririsan dalam mengambil daftar maka sekali
seorang mahasiswa dipilih dalam setiap kelompok, ia dikeluarkan dari seleksi
selanjutnya dalam kelompok-kelompok lainnya. Gabungan dari semua

29

aktivitas yang diambil oleh semua siswa dari masing-masing kelompok
terbentuk. Jumlah aktivitas dalam setiap kelompok disebut sebagai ukuran
kelompok yang terikat dibatasi dengan jumlah total timeslots dan dapat
dikurangi dengan jumlah maksimum aktivitas per siswa. Proses kelompok di
atas yang terbentuk diulang sampai ukuran masing-masing kelompok
berkurang dalam hal ini terikat dengan tidak memilih aktivitas-aktivitas yang
umum untuk semua siswa dalam kelompok. Sekarang, algoritma genetika
dengan local search (GALS) diterapkan pada sejumlah tolak ukur masalah.
Hasil percobaan menunjukkan bahwa algoritma kami, NHA, mampu
menghasilkan hasil yang menjanjikan jika dibandingkan dengan hasil yang
diperoleh dengan menggunakan GALS dan algoritma yang ada.
5) Shiau (2011: 235) dalam jurnalnya yang berjudul “A hybrid particle swarm
optimization for a university course scheduling problem with flexible
preferences”. Mengusulkan tentang sebuah algoritma metaheuristic baru yang
didasarkan pada prinsip-prinsip particle swarm optimization (PSO) yang
diusulkan untuk masalah penjadwalan kuliah. Algoritma mencakup beberapa
fitur: merancang sebuah 'nilai posisi mutlak' representasi untuk partikel;
memungkinkan pengajar bahwa mereka bersedia untuk kuliah berdasarkan
keinginan mereka, sepert